TopAIToolsTopAITools

Glossary

0-9
6DoF pose estimation4D data5G + AI1-shot learning0-shot learning3D convolution8-bit quantization7D representation2-stage detector9-layer network
A
Artificial Intelligence (AI)AGI / Artificial General IntelligenceAutoencoderAttentionAlgorithm
B
BackpropagationBERTBiasBoostingBatch Normalization
C
Classifier / ClassificationCNN / Convolutional Neural NetworkClusteringCross-ValidationChatbot
D
Data AugmentationDeep LearningDeepfakeDeterministic ModelDiscriminative Model
E
Ensemble LearningEncoderEmbeddingEpochExplainable AI (XAI)
F
Fine-tuningFusion / Multimodal FusionFeature ExtractionForward PropagationFoundation Model
G
GAN / Generative Adversarial NetworkGradient DescentGroundingGenerative AIGraph Neural Network (GNN)
H
Hierarchical ModelHeuristicHallucinationHidden LayerHyperparameter
I
Instance / SampleInstruction tuningIntelligence Amplification / AugmentationInterpretabilityImbalanced Data
J
JuxtapositionJitteringJAXJoint EmbeddingJSONL / JSON-lines
K
K-Shot LearningKernel TrickK-means ClusteringKnowledge DistillationKL Divergence (Kullback–Leibler Divergence)
L
Learning RateLarge Language Model (LLM)Loss FunctionLatent VariableLSTM / Long Short-Term Memory
M
Machine Learning (ML)Meta-learningModelMulti-head AttentionMultimodal / Multimodality
N
NLP / Natural Language ProcessingNovelty Detection / Anomaly DetectionNLU / Natural Language UnderstandingNormalizationNeural Network
O
Online LearningObjective FunctionOne-hot EncodingOverfittingOptimizer
P
PretrainingPoolingParameterPolicy / Reinforcement Learning PolicyPrompt
Q
Q-learningQueue / BufferQuantizationQuality EstimationQuery
R
Reinforcement Learning (RL)Retrieval Augmented Generation (RAG)Representation LearningRegularizationRNN / Recurrent Neural Network
S
Self-Supervised LearningSupervised LearningSequence ModelingSamplingSoftmax
T
Tuning / Hyperparameter TuningTokenizerTraining DataTransfer LearningTransformer
U
Unsupervised LearningUniversal Approximation TheoremUnderfittingUncertainty EstimationU-Net
V
Vector EmbeddingVariational Autoencoder (VAE)Validation SetVision Transformer (ViT)Vanishing / Exploding Gradient
W
Weight DecayWeak SupervisionWhitening / Whitening TransformationWord EmbeddingWorkflow
X
XOR problemXAI / Explainable AIX-axis / feature axisXLMXLNet
Y
Y-axis / feature axisYield (model yield / throughput)YAGNI (You Aren't Gonna Need It)Y-transform / YUVYoga of AI
Z
Zero-shot Learning / Zero-shot inferenceZero-centric / Zero-bias initializationZ-score NormalizationZero-gradient phenomenonZygosity in augmentation

Qué es AGI / Inteligencia General Artificial

AGI, o Inteligencia General Artificial, se refiere a un tipo de IA que puede entender, aprender y aplicar el conocimiento de manera similar a la inteligencia humana. A diferencia de la IA estrecha, AGI posee una amplia gama de capacidades que le permiten manejar diversas tareas, adaptarse a nuevos entornos y participar en el razonamiento y la toma de decisiones.


El concepto de AGI se remonta a la investigación de inteligencia artificial a mediados del siglo XX. Muchos científicos e investigadores creen que alcanzar AGI depende de comprender la esencia de la inteligencia humana y replicar estas características en computadoras. La realización de AGI podría tener impactos profundos en la sociedad, incluyendo cambios revolucionarios en sectores como la economía, la educación y la salud.


Los mecanismos operativos de AGI aún no se comprenden completamente; sin embargo, teóricamente, dependerá de una combinación de aprendizaje profundo, aprendizaje por refuerzo y otros algoritmos complejos para simular los procesos de pensamiento humano. Los escenarios típicos incluyen vehículos autónomos, asistentes inteligentes y sistemas de resolución de problemas complejos.


No obstante, el desarrollo de AGI está lleno de desafíos y riesgos. Las cuestiones de seguridad y ética son preocupaciones primarias. AGI podría llevar a desempleo, violaciones de privacidad y aumento de la desigualdad social. Por lo tanto, al avanzar en la investigación de AGI, es crucial establecer marcos éticos y políticas adecuadas.


De cara al futuro, se espera que la investigación sobre AGI continúe creciendo, especialmente impulsada por avances en capacidad computacional y análisis de grandes datos. A medida que la tecnología avanza, AGI podría acercarse gradualmente a los niveles de inteligencia humana, lo que provocará discusiones e investigaciones más profundas.


Las ventajas de AGI incluyen su potencial para aumentar la productividad, resolver problemas complejos y promover avances en la ciencia y la tecnología. Sin embargo, las desventajas incluyen riesgos potenciales de pérdida de control y profundos impactos en la sociedad humana.